[发明专利]一种基于多特征融合的SAR图像目标识别方法

权利要求书

1.一种基于多特征融合的SAR图像目标识别方法，其特征在于，所述方法包括：

利用平移不变小波变换和二值化方法对SAR图像进行边缘提取，然后利用边缘的最小外接矩形得到目标的紧凑度、饱满度和复杂度，以描述目标边缘的特征；

确定SAR图像的灰度共生矩阵，并利用所述灰度共生矩阵计算统计量，以得到三个基本纹理特征，其中，所述三个基本纹理特征包括对比性、同质性以及相关性；

对所述SAR图像构造多层超像素集，并基于所述多层超像素集构造非平衡二向图，以用于将目标从所述SAR图像的背景中提取；

利用目标边缘特征、基本纹理特征和目标图像融合得到的图像特征矩阵计算总散布矩阵，并设定主成分个数r，取总散布矩阵的前r个较大特征值对应的特征向量组成最优投影矩阵，将训练样本向所述最优投影矩阵进行投影，得到降维后的样本；

在AdaBoost算法框架下训练最终的目标识别器，在每轮训练时，利用不同训练数据样本的特征值的权值统计弱分类，并根据每个特征值的不同分类误差率选择弱分类器，并将弱分类器加权求和构造输出分类器。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

按照下述公式将非下采样小波变换子带进行逐点取最大值：

其中，f₁(i,j)表示最大值，P₁f(i,j)表示SAR图像低通滤波的结果，以及分别表示SAR图像的水平、垂直和对角方向的细节部分。

3.根据权利要求1所述的方法，其特征在于，将目标从所述SAR图像的背景中提取包括：

对于生成的每个超像素，按照下述公式确定超像素间的纹理相似度W_xy：

W_xy＝-logD(h_x,h_y)

其中h_x、h_y分别表示超像素x、y的直方图，D(h_x,h_y)表示超像素间的CMDSKL距离。

4.根据权利要求3所述的方法，其特征在于，基于所述多层超像素集构造非平衡二向图包括：

针对非平衡二向图G＝{U,V,E}，其中，G的顶点集合U包含了所有的像素点和超像素；顶点集合V包含了所有的超像素；其中，对于所述非平衡二向图的两个顶点集合，像素集与超像素集之间的权重通过所属关系确定，超像素之间的权重通过所述纹理相似度确定；

按照下述公式确定边缘矩阵

其中e_ij表示边缘矩阵E中第i行第j列的元素，N_u、N_v分别表示边缘矩阵E的行数和列数，I表示像素集，S表示超像素集，α、β表示用于控制像素和超像素之间的连接与超像素之间的连接的平衡度的参数，W_i,j表示元素u_i和v_j之间的纹理相似度，u_i表示顶点集合U中的第i个元素，v_j表示顶点集合V中的第j个元素。

5.根据权利要求1所述的方法，其特征在于，所述降维后的样本按照下述方式确定：

按照下述公式确定总散布矩阵：

其中M为训练样本图像个数，图像样本集为{Z₁，Z₂,...,Z_M}，Z_i为所述图像样本集中的第i个样本，为所有训练样本图像的平均图像；

取总散布矩阵的前r个较大特征值对应的特征向量(p₁,p₂,...,p_r)组成最优投影矩阵P_opt＝[p₁,p₂,...,p_r]；

将训练样本Z_i向最优投影矩阵投影，得到降维后的样本为：

其中，X_i表示训练样本Z_i对应的降维后的样本，p_m为第m个较大特征值对应的特征向量，m为从1至r的整数。

6.根据权利要求1所述的方法，其特征在于，在AdaBoost算法框架下训练最终的目标识别器包括：

选取训练样本集合{(x₁,y₁),...,(x_N,y_N)}；其中x_i＝(x_i1,...x_ik,x_ik+1,...,x_ik+m,x_ik+m+1,...,x_ik+2m)是样本向量，所述样本向量包括边缘特征、目标图像和纹理图像进行2DPCA降维后的特征；y_i∈{-1,1}为类别标签，N为样本总数；

针对所述样本向量中的每个特征值x_ij，求取弱分类器的阈值，以使得通过所述阈值进行分类后，分类误差率最低。